基于计算机视觉模型的情绪障碍诊断的神经成像和遗传数据的多式集成
Seungeun Lee1, Yongwon Cho2, Yuyoung Ji3
1Department of Mathematics, Korea University, Anamro 145, Seoungbuk-gu, Seoul, 02841, Republic of Korea.
Journal of psychiatric research
|February 21, 2024
概括
整合脑部成像和遗传数据可以改善情绪障碍的检测. 一种结合结构性MRI扫描与全外体测序数据的新型多式融合模型显著提高了主要抑郁症和双相情感障碍的诊断准确性.
科学领域:
- 神经科学是一个神经科学.
- 遗传学 遗传学 是一个
- 人工智能的人工智能
背景情况:
- 像主要抑郁症 (MDD) 和双相情绪障碍 (BD) 这样的情绪障碍经常被低诊断,导致患者的显著发病率.
- 新兴技术为改善这些复杂疾病的诊断准确性提供了新的途径.
研究的目的:
- 开发和评估一种新的多式融合方法,将大脑结构磁共振成像 (sMRI) 与全外体测序 (WES) 数据相结合,用于增强情绪障碍检测.
- 通过利用深度学习和机器学习策略来提高MDD和BD的诊断性能.
主要方法:
- 使用深度学习 (Vision Transformer,Inception-V3,ResNet50) 和机器学习 (XGBoost,LightGBM) 技术开发了一种多式融合策略.
- 分析了321名东亚人 (147名MDD,78名BD,96名对照) 的脑成像 (sMRI) 和遗传 (WES,SNP,PRS) 数据.
- 通过十倍交叉验证,评估了六种融合模型.
主要成果:
- 视觉变压器 (ViT) 结合XGBoost (ViT XGBoost) 展示了卓越的性能.
- 这种融合模型实现了与SNP-only和图像-only基线相比,曲线下的增量面积 (AUC) 分别增加了0.2162和0.0675
- 在SNP-only和图像-only模型中,分别观察到0.1455和0.0849的增量精度改进.
结论:
- 整合各种数据模式,特别是sMRI和WES数据,显著改进情绪障碍诊断.
- 拟议的多式融合方法表明了改善MDD和BD的早期和准确检测的变革潜力.
